Un piccolo sfondo del mio obiettivo

Sto costruendo un robot autonomo mobile che deve navigare in un'area sconosciuta, deve evitare ostacoli e ricevere input vocali per svolgere varie attività. Deve anche riconoscere volti, oggetti, ecc. Sto usando un sensore Kinect e i dati dell'odometria della ruota come suoi sensori. Ho scelto C # come lingua principale in quanto i driver ufficiali e sdk sono prontamente disponibili. Ho completato il modulo Vision e NLP e sto lavorando sulla parte di navigazione.

Il mio robot attualmente utilizza Arduino come modulo per la comunicazione e un processore Intel i7 x64 bit su un laptop come CPU.

Questa è la panoramica del robot e della sua elettronica:

Il problema

Ho implementato un semplice algoritmo SLAM che ottiene la posizione del robot dagli encoder e aggiunge tutto ciò che vede usando kinect (come una porzione 2D della nuvola di punti 3D) alla mappa.

Ecco come appaiono attualmente le mappe della mia stanza:

Questa è una rappresentazione approssimativa della mia stanza reale:

Come puoi vedere, sono mappe molto diverse e molto brutte.

• Ci si aspetta che utilizzi solo la resa dei conti morta?
• Sono a conoscenza dei filtri antiparticolato che lo perfezionano e sono pronto per l'implementazione, ma quali sono i modi in cui posso migliorare questo risultato?

Aggiornare

Ho dimenticato di menzionare il mio approccio attuale (che prima dovevo ma ho dimenticato). Il mio programma lo fa approssimativamente: (Sto usando una tabella hash per memorizzare la mappa dinamica)

• Prendi la nuvola di punti da Kinect
• Attendere i dati di odometria seriale in entrata
• Sincronizzazione utilizzando un metodo basato su data e ora
• Stimare la posa del robot (x, y, theta) usando le equazioni su Wikipedia e i dati dell'encoder
• Ottieni una "fetta" della nuvola di punti
• La mia sezione è sostanzialmente una matrice dei parametri X e Z.
• Quindi tracciare questi punti in base alla posa del robot e ai parametri X e Z.
• Ripetere

È questo ciò che ci si aspetterebbe: in linea di principio sì. Anche se potresti essere in grado di migliorare il tuo modello di odometria, in generale non è sufficiente ottenere una buona mappa. Senza una descrizione del tuo sistema è difficile dire come migliorarlo. Sulla maggior parte dei sistemi, la stima della traduzione è migliore della rotazione. È possibile aggiungere un giroscopio e misurare la rotazione. Ciò dovrebbe migliorare significativamente i risultati.

Invece di implementare tu stesso un filtro antiparticolato, potresti usare un'implementazione SLAM, ad esempio da openslam . Ciò dovrebbe farti risparmiare molto tempo e molto probabilmente darà risultati migliori.

Suggerirei di provare i filtri antiparticolato / EKF.

Cosa fai attualmente:

-> Dead Reckoning: stai guardando la tua posizione attuale senza alcun riferimento.

-> Localizzazione continua: sai approssimativamente dove ti trovi nella mappa.

Se non si dispone di un riferimento e non si conosce la propria posizione sulla mappa, indipendentemente dalle azioni intraprese, sarà difficile ottenere una mappa perfetta.

Ad esempio: sei in una stanza circolare. Continui ad andare avanti. Sai qual è stata la tua ultima mossa. La mappa che otterrai sarà quella di una casella diritta come una struttura. Questo accadrà a meno che e fino a quando non hai un modo per localizzare o sapere dove ti trovi esattamente sulla mappa, continuamente.

La localizzazione può essere effettuata tramite EKF / Filtri antiparticolato se si dispone di un punto di riferimento iniziale. Tuttavia, il punto di riferimento iniziale è un must.

Perché stai usando i calcoli morti, gli errori nella stima della posa del robot si accumulano nel tempo. Dalla mia esperienza, dopo un po ', la stima dei morti pone la stima diventa inutile. Se si utilizzano sensori extra, come il giroscopio o l'accelerometro, la stima della posa migliorerà ma poiché ad un certo punto non si ha alcun feedback, divergerà come prima. Di conseguenza, anche se si hanno buoni dati da Kinect, la costruzione di una mappa accurata è difficile poiché la stima della posa non è valida.

Devi localizzare il tuo robot mentre provi a costruire la tua mappa (SLAM!). Così come viene creata la mappa, la stessa mappa viene utilizzata anche per localizzare il robot. Ciò garantisce che la stima della posa non diverga e che la qualità della mappa sia migliore. Pertanto suggerirei di studiare alcuni algoritmi SLAM (cioè FastSLAM) e provare a implementare la tua versione.